핵심 요약

COCO to YOLO 변환은 category ID mapping이나 bounding box 변환이 틀릴 때 가장 자주 깨집니다. COCO bbox는 보통 pixel 단위의 top-left x, top-left y, width, height입니다. YOLO detection label은 image size로 정규화된 class_id center_x center_y width height입니다.

COCO annotation이 YOLO normalized bounding box로 변환되는 흐름 이미지

이미지는 변환 흐름을 보여줍니다. 왼쪽은 source annotation data이고 오른쪽은 normalized YOLO label입니다. 변환 단계에서 class 의미와 box 위치가 보존되어야 합니다.

COCO와 YOLO는 저장 방식이 다르다

COCO annotation file은 보통 images, annotations, categories가 들어 있는 하나의 JSON 파일입니다. YOLO detection dataset은 보통 image마다 하나의 .txt label file을 사용합니다.

YOLO line format:

class_id center_x center_y width height

주요 차이는 다음과 같습니다.

영역 COCO YOLO
파일 구조 하나의 JSON file 이미지별 text file
Box format top-left x, top-left y, width, height center x, center y, width, height
좌표 단위 pixels normalized ratios
Category ID sparse할 수 있음 보통 zero-based continuous

그래서 단순한 text rewrite만으로는 충분하지 않습니다.

1. Category ID를 다시 매핑한다

COCO category ID는 항상 0, 1, 2, 3이 아닙니다. 1부터 시작할 수 있고, 중간 숫자를 건너뛸 수도 있습니다.

YOLO class ID는 보통 zero-based continuous입니다.

0 person
1 car
2 bicycle

명시적인 mapping을 만들어야 합니다.

COCO category 1 -> YOLO class 0
COCO category 3 -> YOLO class 1
COCO category 17 -> YOLO class 2

COCO category ID가 이미 YOLO class list와 같다는 확신이 없다면 그대로 쓰지 마세요.

2. Bounding Box를 정확히 변환한다

COCO bbox:

x_min, y_min, box_width, box_height

YOLO는 아래 값을 기대합니다.

center_x, center_y, width, height

변환 공식:

center_x = (x_min + box_width / 2) / image_width
center_y = (y_min + box_height / 2) / image_height
width    = box_width / image_width
height   = box_height / image_height

변환 후 네 값은 보통 0과 1 사이여야 합니다. YOLO label file에 큰 pixel 값이 그대로 있다면 변환이 잘못된 것입니다.

3. Image ID와 Filename을 맞춘다

COCO annotation은 image_id를 참조합니다. 이 ID를 images 목록의 올바른 filename과 연결해야 합니다.

이 부분이 틀리면 전혀 다른 image에 label이 붙습니다. 누락보다 더 위험할 수 있습니다. training은 진행되지만 잘못된 데이터를 학습할 수 있기 때문입니다.

확인 흐름:

annotation.image_id -> images[id].file_name -> labels/file_name.txt

train, validation, test split도 유지해야 합니다. validation label이 train folder로 들어가지 않게 주의합니다.

4. Empty Image 처리

객체가 없는 image가 있을 수 있습니다. training pipeline이 empty image를 어떻게 기대하는지 정해야 합니다.

  • 빈 .txt label file
  • label file 없음
  • image 제외

중요한 것은 일관성입니다. tool이 empty file을 기대하는데 파일이 없으면 warning이 날 수 있습니다. 반대로 missing file을 기대하는데 잘못된 빈 row를 만들면 training이 실패할 수 있습니다.

5. 시각적으로 검증한다

변환 후 sample image를 열어 converted box를 그려 봅니다.

[ ] box가 올바른 객체 위에 있다.
[ ] box가 밀리지 않았다.
[ ] box가 너무 크거나 작지 않다.
[ ] class가 객체와 맞다.
[ ] empty image 처리가 일관적이다.

시각 검증은 text validation으로 잡지 못하는 오류를 잡습니다.

Easy Labeling Workflow

Easy Labeling을 conversion 후 visual check 용도로 사용할 수 있습니다.

1. COCO annotation을 YOLO file로 변환한다.
2. image folder를 연다.
3. class list를 불러온다.
4. YOLO label을 불러온다.
5. class별 sample을 확인한다.

도구는 여기에서 사용할 수 있습니다: Easy Labeling.

흔한 실수

첫 번째 실수는 COCO category ID를 그대로 쓰는 것입니다. 모든 class가 밀릴 수 있습니다.

두 번째 실수는 image width와 height로 normalize하지 않는 것입니다.

세 번째 실수는 COCO bbox를 x_min y_min x_max y_max로 착각하는 것입니다. COCO detection bbox는 보통 bottom-right 좌표가 아니라 width와 height를 저장합니다.

네 번째 실수는 다양한 image size를 확인하지 않는 것입니다. 고정 resolution만 가정한 converter는 mixed-size dataset에서 깨질 수 있습니다.

Easy Labeling 화면 예시

아래 화면처럼 image를 열고 box를 그린 뒤 class를 지정하는 흐름으로 작업합니다.

Object detection box를 그리는 Easy Labeling sample screen

함께 보면 좋은 글

최종 체크리스트

[ ] Category ID가 YOLO class ID로 remap되었다.
[ ] COCO pixel box가 normalized YOLO center box로 변환되었다.
[ ] Image ID가 올바른 filename과 연결된다.
[ ] Train과 validation split이 섞이지 않았다.
[ ] Empty image 처리가 일관적이다.
[ ] Training 전에 converted label을 시각적으로 확인했다.

COCO to YOLO 변환은 mapping이 명확할 때만 단순합니다. class map과 box formula를 드러내고 실제 image로 검증하세요.

자주 묻는 질문

이 글은 언제 먼저 적용하면 좋나요?

데이터셋을 만들거나 라벨 품질을 일정하게 유지해야 할 때 먼저 적용하면 좋습니다.

초보자가 가장 먼저 확인할 부분은 무엇인가요?

처음에는 클래스 정의, 예시 이미지, 검수 기준, 파일 내보내기 형식을 먼저 정하세요. 도구보다 라벨 기준이 먼저입니다.

더 찾아볼 때 어떤 키워드를 쓰면 좋나요?

추가 검색할 때는 “COCO to YOLO 변환 실수: 객체 탐지 라벨이 깨지는 이유” 같은 핵심 문구와 image labeling, dataset, annotation workflow, YOLO, COCO 같은 키워드를 붙이면 도움이 됩니다.

Leave a comment

You may also enjoy